面对瞬息万变的现实世界,一家拥有90年历史的家族式工业建筑企业要如何在市场上稳定生存、求取发展?面对这个问题,总部位于柏林的Kohlbecker公司从两年前突然爆发的COVID-19疫情中摸索出了答案。意外冲击迫使这家德国建筑企业设计出一种全新工作方式,也给公司的下阶段前进方向奠定了坚实基础。
Kohlbecker公司由Karl Kohlbecker于1930年创立,经历了连续三代人的家族传承,如今的掌门人为Matthias与Florian Kohlbecker兄弟。这家公司的年销售额超过3000万美元,而且增长迅速、经营良好。但就在一片繁荣之下,兄弟二人已经做好了颠覆固有思路、拥抱建筑数字化的心理准备。
Kohlbecker公司打造出一款技术平台,名为AVAT AR。它的实质就是数字孪生,希望能让建筑师、客户、运营经理等每一位项目参与者都能在这里开展规划、施工和设施管理等虚拟合作。
这种技术开发能力当然不是凭空而来,兄弟俩的“老恩师”其实是中国人的老朋友——奥迪汽车。奥迪原计划在中国北方建设一处新项目,但COVID-19的爆发导致规划人员和承包商无法亲临现场。Matthias Kohlbecker回忆道,“所以我们只能使用内部开发的云软件管理这支由200多名工程师、建筑师和客户组成的项目团队。我们成功将项目工作分配到200多个办公室中,让大家身在家中也能顺利推进。”
而让这个重大目标成为可能的,自然就是AVAT AR。该平台帮助Kohlbecker在规模建筑时建立起一套数字孪生副本。此副本就相当于建筑模拟模型,不仅包含可视化的设计与技术规范细节,同时还提供不断变化的反馈通道。建筑师和客户们都能随时把握最新动向,包括窗体材料的变更会如何影响电力消耗、会议室的通风条件能不能满足人群聚集的需求等。
Florian Kohlbecker解释道,“我们的工作内容其实就是模拟。我们可以通过模拟推测建筑在不同条件下的实际表现——例如遭遇不同天气情况、面对火灾时,或者在容纳不同数量的人群时。”
更重要的是,从疫情流行的角度来看,这样一个虚拟项目也让参与者们能够远程了解建筑细节、据此完成分内工作。利用增强现实与虚拟现实等技术,项目工作人员已经无需亲临现场、查看规划与实际施工效果。人工智能工具也及时介入,帮助管理者不断测试设计中哪怕一点点微小调整所带来的影响。

Florian与Matthias Kohlbecker,Kohlbecker公司第三代掌门人
在奥迪工厂项目中,Kohlbecker凭借数字孪生找到了一条无需外出也能继续施工的有效道路。考虑到COVID-19巨大的影响范围,他们很快意识到这种新型工作方式中蕴藏着的巨大潜力。正如Florian Kohlbecker所言,无需外出也让建设项目对环境的负面影响大大减少。他解释道,“这证明不必组织面对面交流,也完全可以协同、调度一支全球团队与相应的高效项目。在项目启动的前13周,我们成功省去超过251000英里的商务差旅里程,减少了110吨的二氧化碳排放量,这部分碳排放需要35000棵树才能同步吸收。经济效益也很突出,我们共节约超过30万美元的项目成本。”
如今,Kohlbecker公司开始致力于将数字孪生技术引入更多新项目,并得到越来越多德国本地客户的青睐。除了汽车行业,糖果生产商Haribo对于Kohlbecker这位合作伙伴的技术探索同样充满热情。
另外,数字孪生的优势绝不仅限于项目开发阶段。Kohlbecker公司强调,在项目完成之后,他们还可以把模型移交给设施维护团队,配合集成传感器等物联网技术以及外部数据源,最终建立起更加智能的下一代建筑。例如,天气预报提到第二天将快速升温,那么建筑在头一天凌晨就可以逐步关闭暖气。
两兄弟对这项技术的广阔前景非常兴奋,他们计划在本月底在迪拜召开的2020年世博会上展示这套方案。
Mathias Kohlbecker解释道,AVAT AR其实只是对Kohlbecker家族长久以来高度重视技术发展的一种延续。他提到,“我的祖父是工业 建筑领域的先驱,他坚信工厂是为人而建的、也应该为人服务。如果他还在,也一定会认可我们在90年后的今天做出的这些探索和努力。”
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。